【NeurIPS 2020 】面向张量分解知识图谱补全的对偶诱导正则

近年来，张量分解模型凭借模型简洁、计算速度快等优点在知识图谱补全任务上取得了令人瞩目的成就。但是，这些模型较易受到过拟合的影响，在性能上通常落后于其他类型的模型。为解决过拟合问题，包括 L2 正则，N3 正则 [1] 在内的多种正则项被提出，但这些正则项又在性能或者适用范围上存在明显缺陷。为此，我们基于知识图谱补全模型之间的对偶性，为张量分解模型提出了一种新的正则项---DURA。该正则项可以广泛地应用于多种不同的张量分解知识图谱补全模型，且能够显著提升模型性能。

https://arxiv.org/abs/2011.05816

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“DIRT” 就可以获取《【NeurIPS 2020】面向张量分解知识图谱补全的对偶诱导正则》专知下载链接

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取5000+AI主题知识资源